在当今竞争激烈的商业世界中,提高机械设备或加工设备利润率的一种方法是在提高生产率的同时减少操作和维护费用。发动机是飞机和工业应用中最昂贵的设备之一,可靠性和可用性是最理想的两个属性。在过去的几十年里,全球在发动机的运行和维护上投入了数万亿美元。然而,由于它们在快速增长的行业中不断上升的地位,在可预见的未来,市场趋势仍将持续。因此,开发并实施更加强大、高效、灵活的维护策略是必然趋势。目前,虽然航空发动机的维护方式正在由周期检修、定时维护的模式向及时修复、提前的数据处理及故障诊断、智能算法及故障分析的数字化维修模式迈进。但是,即使实现这样的数字化维修也只是一种被动模式下的维修。随着相关技术的发展,智能维护必将成为继数字化维修之后新的发展趋势。智能维护作为一种新的维修理念,现在只是刚刚起步,研究也只是刚刚开始。但它作为未来航空发动机健康管理的发展方向将不会改变。目前我国对该技术的研究仍处于起步阶段,相关研究不是很成熟,本课题即围绕智能维护的主要技术(发动机性能衰退趋势预测与维修决策研究)展开。气路系统作为发动机核心结构,其重要性不言而喻,因此本文以气路部件作为研究对象,开展了如下工作:首先,针对相关研究所需数据获取昂贵的问题,采用模块化建模思想对发动机进行机理建模并搭建能够表征各个部件退化的模块,并对退化原因及其影响进行了详细的分析;然后在该模型基础上,研究了退化传播的建模方法并仿真产生各个部件因为不同原因导致退化的全寿命传感器数据,为后续工作开展提供了数据基础。之后,开展了发动机健康状态评价相关的研究,综合传感器数据建立了能够表达设备健康状态的参数—发动机健康参数(HI),为后续预测工作奠定基础。分别针对发动机短期与长期的维护需求,开展发动机状态的短期与长期预报。在进行发动机短期趋势预测时,选择健康参数HI作为预测指标展开预测,通过进一步分析发现该问题属于时间序列趋势预测范畴,因而采用能够刻画时序依赖性的长短时记忆网络进行趋势预测。并且针对由于数据不足导致预测趋势不准确的问题,提出了基于迁移式的预测模型。在进行发动机长期预测时,为提高预测的准确度,采用指印图的方式识别待测机的退化原因,此后选择剩余使用寿命作为预测指标,综合基于相似性分析和基于回归的两种常用预测方法,提出了基于相似性的高斯过程回归预测模型,实现了剩余寿命的确定性预测及不确定性预测。最后,在上述建立的预后模型基础上,以运行成本最小化作为优化指标,在基于状态维护策略(CBM)的基础上建立了状态回退模型,结合粒子群优化算法设计了一种动态非周期性的主动维护方法,从而能够在维修成本和维修时间中找到折衷的维护计划,有效避免设备维护不足或维护过度,在保障设备运行可靠性的同时最大化了资本的可用度。